一種織物瑕疵檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及機(jī)器視覺(jué)與視頻圖像處理技術(shù)領(lǐng)域，具體為一種織物瑕疵檢測(cè)方法。
【背景技術(shù)】
[0002] 通過(guò)人工視覺(jué)來(lái)對(duì)完成對(duì)織物瑕疵檢測(cè)的方法存著工作量大、漏檢率高、誤檢率 高、受主觀感覺(jué)影響等多種問(wèn)題，基于機(jī)器視覺(jué)的織物瑕疵自動(dòng)檢測(cè)能有效解決運(yùn)一問(wèn)題。 為區(qū)分瑕疵和非瑕疵區(qū)域，對(duì)織物圖像采用合適的特征描述是關(guān)鍵問(wèn)題。
[0003] 從頻域提取織物圖像特征的方法如小波變換、傅里葉變換、G油or濾波等，先將圖 像分解到所定義的各個(gè)頻域子帶，通過(guò)子帶系數(shù)的差異區(qū)分瑕疵區(qū)域。從空域提取特征的 方法如局部二值模式化ocalBinary化ttern,LB巧、鄰域統(tǒng)計(jì)特征（均值、方差、賭）、鄰域 灰度排列、紋理圖案規(guī)則性特征等，直接利用待檢像素鄰域的灰度統(tǒng)計(jì)特征構(gòu)成特征向量， 利用相似性距離度量或者分類(lèi)器定位瑕疵區(qū)域。為有效準(zhǔn)確檢測(cè)織物瑕疵，選取的特征提 取算法都要求應(yīng)當(dāng)能夠保證將瑕疵和非瑕疵圖像轉(zhuǎn)換到該特征空間后，二者的特征分布區(qū) 分度足夠明顯，否則極易受到噪聲干擾，產(chǎn)生誤檢漏檢，導(dǎo)致瑕疵區(qū)域定位不準(zhǔn)?；叶裙采?矩陣化CM(GrayLevelC〇-〇c州rrenceMatrix)特征是一種描述圖像灰度的空間相關(guān)性特 征的算法，由于織物紋理圖像往往體現(xiàn)出較強(qiáng)的空間相關(guān)性，而瑕疵往往會(huì)破壞空間相關(guān) 性，因此很適宜采用化CM特征進(jìn)行檢測(cè)。但是現(xiàn)有基于化CM特征的方法普遍采用線性量 化，導(dǎo)致生成的化CM矩陣十分稀疏、特征空間利用不充分，并且，化CM特征生成過(guò)程中采用 的尺度和方向參數(shù)往往人為設(shè)定，不能達(dá)到最優(yōu)。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明要解決的問(wèn)題是：現(xiàn)有通過(guò)機(jī)器視覺(jué)進(jìn)行織物瑕疵檢測(cè)的方法易受噪聲干 擾，往往產(chǎn)生誤檢或漏檢，定位不準(zhǔn)；現(xiàn)有基于化CM特征的瑕疵檢測(cè)方法存在特征空間利 用不充分、參數(shù)設(shè)定不能達(dá)到最優(yōu)等缺點(diǎn)；進(jìn)一步的，現(xiàn)有用于分割瑕疵的闊值往往人為設(shè) 定，影響算法自動(dòng)化程度。
[0005] 本發(fā)明的技術(shù)方案為：一種織物瑕疵檢測(cè)方法，采用非線性灰度共生矩陣化CM作 為特征描述織物紋理，所述方法包括非線性映射函數(shù)求取、最優(yōu)參數(shù)學(xué)習(xí)和瑕疵檢測(cè)Ξ個(gè) 步驟：非線性映射函數(shù)求取階段，采用直方圖均衡化算法，獲得無(wú)瑕疵織物圖像的非線性映 射函數(shù)；在學(xué)習(xí)階段，計(jì)算無(wú)瑕疵織物圖像在不同方向尺度參數(shù)下的非線性化CM特征向量 相似性距離分布，通過(guò)最小方差原則選擇最優(yōu)尺度和方向參數(shù)，并獲得參考非線性化CM特 征向量和自適應(yīng)的二值化闊值；在檢測(cè)階段，對(duì)待檢測(cè)織物圖像采用最優(yōu)尺度方向參數(shù)進(jìn) 行非線性化CM特征提取，并與參考特征向量匹配來(lái)定位瑕疵區(qū)域。
[000引具體步驟如下：
[0007] 1)非線性映射函數(shù)求?。簩?duì)無(wú)瑕疵圖像A，采用直方圖均衡化算法，獲得非線性映 射函數(shù)T，在函數(shù)T作用下，圖像A的直方圖分布變?yōu)榫鶆蚍植迹?br>[000引。最優(yōu)參數(shù)學(xué)習(xí)對(duì)大小為W地的圖像A中每一像素（X，y)，W(X，y)為中心提 取大小為dw*化的圖像塊B，計(jì)算圖像塊B在參數(shù)/V/=[2.s'*cos((/* .r/O), 2.、'*加(滬下的 非線性化CM特征向量Κ/(.γ，_ν)，其中s、d為整數(shù)，且1《S《S，1《d《D，S、D為用戶(hù)自定 義的尺度范圍和方向數(shù)；計(jì)算F/(x，的的均值作為參考特征向量/?、"'，計(jì)算朽/知分與參考特 征向量貨/的相似性距離仇"V)，計(jì)算廠/托_}，)的均方差0/作為最優(yōu)尺度方向參數(shù)的評(píng)價(jià) 標(biāo)準(zhǔn)，選取均方差(?/最小時(shí)的尺度S和方向參數(shù)d作為最優(yōu)尺度S。。和最優(yōu)方向d。。，同時(shí)W 所述最優(yōu)尺度方向參數(shù)下的參考特征向量宛W作為瑕疵檢測(cè)步驟中的參考特征向量Rwpdw， 并利用該最優(yōu)尺度方向參數(shù)下的廠/'(.、-0·)慨均方差α/和均值構(gòu)建瑕疵檢測(cè)步驟中的 自適應(yīng)二值化闊值THr;
[000引扣瑕疵檢測(cè)：對(duì)待檢測(cè)圖像的每個(gè)像素（X，y)，選擇W該像素為中屯、的dw*化的 圖像塊，計(jì)算其在最優(yōu)參數(shù)Pwpdw=巧Sw*cos化P*π/D)，2Sw*sin(d。。*π/D)]下的非線性 化CM特征向量V(x，y)，計(jì)算V(x，y)與Rwpdw之間的特征向量相似性距離，獲得相似性距離 分布圖，通過(guò)闊值TH。對(duì)相似性距離分布圖二值化，定位瑕疵區(qū)域。
[0010] 步驟1)中的非線性映射函數(shù)T的求取方法為：
[0011]
(1)
[0012] 其中，floor0函數(shù)表示取整，k為映射前的圖像灰度值，rk為映射后與k對(duì)應(yīng)的 圖像灰度值，rk、k均為整數(shù)，且0《255,0《k《255,ηh為映射前圖像A中灰度為h 的像素的數(shù)目，η為圖像A總的像素?cái)?shù)目。
[001引步驟。中獲得非線性化CM特征向量托的方法為：
[0014]i.利用非線性映射函數(shù)T對(duì)圖像塊B進(jìn)行灰度映射；
[001引ii.將映射后的圖像塊B的灰度線性量化為N級(jí)，創(chuàng)建N*N的矩陣G，G矩陣中坐 標(biāo)（i，如處的數(shù)值為圖像塊B中空間相對(duì)位置為[戶(hù)/(1)，尸、"切]且量化灰度為（i，如的像素 對(duì)的數(shù)目，即
[0016] G{i\J)=nuni{Sct) 、知'={(及(i,，V),公("+ 尸;'（1).V+ 戶(hù);'（2))i巧w,，'）= /，公(w+P'(1)，V+ 戶(hù);'（2))=/! 錢(qián)
[0017] 其中，numO函數(shù)表示求取集合Set的元素?cái)?shù)目，U、V為圖像塊B中的像素坐標(biāo)； iii.求取歸一化的化CM矩陣：
[001 引
[0019] 將矩陣G。所有的列首尾相接變?yōu)橄蛄啃问借?知，對(duì)。
[0020] 步驟。中參考特征向量用/、相似性距離廠Γ),廠、"'(Λ-，.Γ)的均方差0/和均值 的求取方法分別為：
[00幼步驟。中自適應(yīng)二值化闊值ΤΗ「計(jì)算方法為：TH「=μwpdw巧Xσwpdw。
[002引步驟如具體為：
[0027]a)對(duì)待檢測(cè)圖像的每個(gè)像素（x，y)構(gòu)建非線性化CM特征向量，選擇W該像素為 中屯、的dw*化的圖像塊，計(jì)算其在最優(yōu)參數(shù)Pwpd°P= 口3Dp*cos化。*π/D)，2Snp*sin (d。。* π/ D)]下的非線性化CM特征向量V(x，y)，該特征向量生成方法與最優(yōu)參數(shù)學(xué)習(xí)階段特征向量 Γ/(λ-，y)的生成方法一致；
[002引b)計(jì)算V(x，y)與Rwpdw之間的特征向量相似性距離Γ(x，y) =I|V(x，y)-Rwpdw|I， 獲得相似性距離分布圖；
[0029] C)根據(jù)闊值ΤΗρ對(duì)相似性距離分布圖二值化，定位瑕疵區(qū)域。
[0030] 本發(fā)明提出采用一種非線性灰度共生矩陣特征描述織物紋理W充分利用特征空 間，有效提取圖像特征。在利用化CM算法的基礎(chǔ)上，針對(duì)化CM算法在織物瑕疵檢測(cè)的具體 應(yīng)用進(jìn)行了優(yōu)化，克服了現(xiàn)有化CM在應(yīng)用時(shí)的缺陷，實(shí)現(xiàn)將化CM算法的優(yōu)點(diǎn)應(yīng)用至織物瑕 疵檢測(cè)。得益于化CM本身對(duì)噪聲的抗干擾能力W及本發(fā)明所提的自適應(yīng)的二值化闊值，在 未進(jìn)行形態(tài)學(xué)濾波去噪的情況下，本發(fā)明方法也能獲得十分準(zhǔn)確的瑕疵區(qū)域定位結(jié)果。其 創(chuàng)新點(diǎn)在于：1)針對(duì)一般化CM特征計(jì)算過(guò)程中線性量化導(dǎo)致生成的化CM矩陣十分稀疏、 特征空間利用不充分的缺點(diǎn)，提出一種非線性化CM特征提取算法W獲得魯棒的圖像特征； 2)構(gòu)建了一種最優(yōu)尺度和方向參數(shù)學(xué)習(xí)方法，利用該最優(yōu)尺度和方向參數(shù)進(jìn)行特征提取能 夠最大程度凸顯瑕疵區(qū)域和非瑕疵區(qū)域的特征差別；3)構(gòu)建了一種自適應(yīng)的瑕疵分割二 值化闊值確定方法，十分有利于實(shí)際生產(chǎn)過(guò)程中的自動(dòng)化檢測(cè)。
【附圖說(shuō)明】
[0031] 圖1為本發(fā)明方法的流程框圖。
[0032] 圖2為本發(fā)明實(shí)施例待檢測(cè)織物圖像。
[003引圖3為本發(fā)明實(shí)施例非線性化CM特征向量相似性距離分布圖。
[0034] 圖4為本發(fā)明實(shí)施例瑕疵檢測(cè)結(jié)果圖。
【具體實(shí)施方式】
[0035] 本發(fā)明方法主要包括非線性映射函數(shù)求取、最優(yōu)參數(shù)學(xué)習(xí)和瑕疵檢測(cè)Ξ個(gè)步驟。
【具體實(shí)施方式】如下：
[0036] 1、非線性映射函數(shù)求取階段
[0037] 對(duì)于織物圖像，灰度往往集中分布于某一區(qū)間，而非均勻分布于整個(gè)灰度空間，如 果采用一般化CM特征提取方式則將進(jìn)行的是線性量化，大批量化值沒(méi)有或者很少被使用， 導(dǎo)致生成的化CM矩陣十分稀疏，不能充分體現(xiàn)圖像紋理特征。本發(fā)明提出非線性化CM特 征提取，基本思想是根據(jù)灰度出現(xiàn)概率進(jìn)行量化，高概率灰度區(qū)間細(xì)量化，低概率灰度區(qū)間 粗量化，如此可W有效的提取圖像特征。實(shí)際操作時(shí)，運(yùn)一思想可W轉(zhuǎn)變?yōu)橄葘?duì)圖像灰度值 進(jìn)行非線性映射，再進(jìn)行線性量化?？紤]到直方圖均衡化可W有效的實(shí)現(xiàn)集中分布灰度區(qū) 間向平均分布灰度區(qū)間的轉(zhuǎn)化，因此可W利用直方圖均衡化獲得非線性映射函數(shù)。具體方 法為對(duì)無(wú)瑕疵圖像A，采用直方圖均衡化算法，獲得非線性映射函數(shù)T，在該函數(shù)作用下，圖 像A的直方圖分布變?yōu)榫鶆蚍植迹琓的具體形式為：
[0038]
供
[003引其中，floor 0函數(shù)表示取整，k為映射前的圖像灰度值，rk為映射后與k對(duì)應(yīng)的 圖像灰度值，rk、k均為整數(shù)，且0《255,0《k《255, η h為映射前圖像A中灰度為h 的像素的數(shù)目，η為圖像A總的像素?cái)?shù)目。
[0040] 2、最優(yōu)參數(shù)學(xué)習(xí)階段
[0041] 計(jì)算無(wú)瑕疵圖像A在不同方向尺度參數(shù)下的非線性化CM特征向量相似性距離分 布圖，通過(guò)最小方差原則選擇最優(yōu)尺度和方向參數(shù)并獲得參考